Postgraduate Section 3 1017
Γενικά
| Σχολή | Σχολή Θετικών Επιστημών |
|---|---|
| Τμήμα | Τμήμα Μαθηματικών |
| Επίπεδο Σπουδών | Μεταπτυχιακό |
| Κωδικός Μαθήματος | ΣEE6 |
| Εξάμηνο | 2 |
| Τίτλος Μαθήματος | ΠΟΛΥΔΙΑΣΤΑΤΗ ΑΝΑΛΥΣΗ |
| Αυτοτελείς Διδακτικές Δραστηριότητες | Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 7.5) |
| Τύπος Μαθήματος | Μάθημα Ειδίκευσης |
| Προαπαιτούμενα Μαθήματα | |
| Γλώσσα Διδασκαλίας και Εξετάσεων | Ελληνική |
| Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus | Ναι (στην Αγγλική γλώσσα) |
| Ηλεκτρονική Σελίδα Μαθήματος (URL) | Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων. |
Μαθησιακά Αποτελέσματα
| Μαθησιακά Αποτελέσματα | Στόχος του µαθήµατος είναι η παρουσίαση τεχνικών και µεθόδων της πολυδιάστατης στατιστικής ανάλυσης. Το ενδιαφέρον αρχικά επικεντρώνεται στη µελέτη πολυδιάστατων κατανοµών και ειδικότερα της πολυδιάστατης κανονικής κατανοµής που δεσπόζει στην κλασσική πολυδιάστατη ανάλυση. Τεχνικές εκτίµησης και στατιστικά τεστ στις παραµέτρους της πολυδιάστατης κανονικής κατανοµής παρουσιάζονται και µελετώνται. Ακαλουθούν τα ανεξάρτητα κεφάλαια της πολυδιάστατης ανάλυσης: Κύριες Συνιστώσες, ∆ιαχωριστική Ανάλυση, και Ανάλυση Συστάδων. Οι παραπάνω µέθοδοι παρουσιάζονται και µελετώνται θεωρητικά. Η υλοποίησή τους παρουσιάζεται µε τη χρήση κατάλληλου στατιστικού λογισµικού. Με την ολοκλήρωση του μαθήματος οι μεταπτυχιακοί φοιτητές θα είναι σε θέση να εκπονήσουν έρευνα σε θέματα πολυμεταβλητής στατιστικής ανάλυσης. Θα έχουν κατανοήσει τα προαναφερθέντα ανεξάρτητα αντικείμενα της πολυμεταβλητής ανάλυσης και θα μπορούν να τα εφαρμόζουν για την ανάλυση στατιστικών δεδομένων. |
|---|---|
| Γενικές Ικανότητες |
|
Περιεχόμενο Μαθήματος
Πολυδιάστατη Κανονική Κατανοµή. Μη κεντρικές χι-τετράγωνο και F κατανοµές. Θεωρία τετραγωνικών µορφών: Κατανοµές - Ανεξαρτησία γραµµικών-τετραγωνικών µορφών. Σφαιρικές και Ελλειπτικές κατανοµές. Εκτιµητές Μέγιστης Πιθανοφάνειας (Ε.Μ.Π.) παραµέτρων πολυδιάστατης κανονικής κατανοµής. Κλασσικές ιδιότητες των Ε.Μ.Π. ∆ειγµατικές Κατανοµές, Κατανοµή Wishart. Έλεγχοι Υποθέσεων µέσων διανυσµάτων: Μέθοδος µέγιστης πιθανοφάνειας - Μέθοδος Ένωσης-Τοµής. Στατιστικό T2 Hotelling και κατανοµή Hotelling. Πολυδιάστατη ανάλυση διακύµανσης κατά ένα παράγοντα (One-way MANOVA). Έλεγχοι Υποθέσεων πινάκων συνδιακύµανσης. Έλεγχοι ανεξαρτησίας. Κύριες Συνιστώσες. ∆ιαχωριστική Ανάλυση. Ανάλυση Συστάδων (Cluster Analysis).
Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση
| Τρόπος Παράδοσης | Πρόσωπο με πρόσωπο | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών | Χρήση Τ.Π.Ε. στην επικοινωνία με τους φοιτητές | ||||||||||
| Οργάνωση Διδασκαλίας |
| ||||||||||
| Αξιολόγηση Φοιτητών | Γραπτή τελική εξέταση στα Ελληνικά (σε περίπτωση φοιτητών Erasmus στην Αγγλική γλώσσα) η οποία περιλαμβάνει επίλυση προβλημάτων εφαρμογής των γνώσεων που αποκτήθηκαν και συγκριτική αξιολόγηση στοιχείων θεωρίας. |
Συνιστώμενη Βιβλιογραφία
Δείτε την υπηρεσία Εύδοξος. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:
General
| School | School of Science |
|---|---|
| Academic Unit | Department of Mathematics |
| Level of Studies | Graduate |
| Course Code | ΣΕΕ6 |
| Semester | 2 |
| Course Title | Multivariate Analysis |
| Independent Teaching Activities | Lectures-Laboratory (Weekly Teaching Hours: 3, Credits: 7.5) |
| Course Type |
Specialized general knowledge |
| Prerequisite Courses | - |
| Language of Instruction and Examinations | Greek |
| Is the Course Offered to Erasmus Students | Yes (in English) |
| Course Website (URL) | See eCourse, the Learning Management System maintained by the University of Ioannina. |
Learning Outcomes
| Learning outcomes |
The aim of the course is to present techniques and methods of Multivariate Statistical Analysis. The interest is initially focused on the study of multivariate distributions and, in particular, the multivariate normal distribution that predominates in the classical multivariate analysis. Estimation techniques and statistical tests on the parameters of the multivariate normal distribution are presented and studied. Afterwards the following subjects are presented: Principal Components, Discriminant Analysis and Cluster Analysis. The above methods are presented and studied theoretically. Their implementation is provided by the use of appropriate statistical software. Upon completing the course students should be able to elaborate research issues on Multivariate Statistical Analysis. They also should be able to apply the aforementioned multivariate techniques in a real data set. |
|---|---|
| General Competences |
|
Syllabus
The multivariate normal distribution. The non-central chi-square and F distributions. Quadratic forms: Independence, distributions. Spherical and Elliptical distributions. Maximum likelihood estimators (m.l.e) of the parameters of the multivariate normal distribution. Classical properties of m.l.e. The Wishart distribution. Tests of hypotheses of mean vectors. Likelihood ratio method - Union/Intersection method. Hotelling's T2 statistic and distribution. One-way MANOVA. Tests concerning variance-covariance matrices. Tests of independence. Principal Components. Discriminant Analysis. Cluster Analysis
Teaching and Learning Methods - Evaluation
| Delivery | Classroom (face-to-face) | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Use of Information and Communications Technology |
Use of ICT in communication with students | ||||||||||
| Teaching Methods |
| ||||||||||
| Student Performance Evaluation |
Final written exam in Greek (in case of Erasmus students in English). |
Attached Bibliography
See the official Eudoxus site. Books and other resources, not provided by Eudoxus:
- ---